Behaviour and vulnerability of target and non-target species at drifting fish aggregating devices (FADs) in the tropical tuna purse seine fishery determined by acoustic telemetry
Notice bibliographique
Résumé
Characterizing the vulnerability of both target and non-target (bycatch) species to a fishing gear is a key step towards an ecosystem-based fisheries management approach. This study addresses this issue for the tropical tuna purse seine fishery that uses fish aggregating devices (FADs). We used passive acoustic telemetry to characterize, on a 24 h scale, the associative patterns and the vertical distribution of skipjack (Katsuwonus pelamis), yellowfin (Thunnus albacares), and bigeye tuna (Thunnus obesus) (target species), as well as silky shark (Carcharhinus falciformis), oceanic triggerfish (Canthidermis maculata), and rainbow runner (Elagatis bipinnulata) (major non-target species). Distinct diel associative patterns were observed; the tunas and the silky sharks were more closely associated with FADs during daytime, while the rainbow runner and the oceanic triggerfish were more closely associated during the night. Minor changes in bycatch to catch ratio of rainbow runner and oceanic triggerfish could possibly be achieved by fishing at FADs after sunrise. However, as silky sharks display a similar associative pattern as tunas, no specific change in fishing time could mitigate the vulnerability of this more sensitive species. For the vertical distribution, there was no particular time of the day when any species occurred beyond the depth of a typical purse seine net. While this study does not provide an immediate solution to reduce the bycatch to catch ratios of the FAD-based fishery in the western Indian Ocean, the method described here could be applied to other regions where similar fisheries exist so as to evaluate potential solutions to reducing fishing mortality of non-target species.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».